Context-aware Bayesian Mixed Multinomial Logit Model

要約

混合多項ロジット モデルは、特定の選択モデリング アプリケーションには強すぎると見なされる可能性がある、さまざまな選択状況を通じて意思決定者の一定の選好パラメーターを想定しています。
この論文では、コンテキスト依存の回答者内異質性をモデル化するための効果的なアプローチを提案し、それによって、コンテキストを意識したベイジアン混合多項ロジット モデルの概念を導入します。
選択の機会。
提案されたモデルには、いくつかの重要な利点があります。
まず、連続変数と離散変数の両方、および両方のタイプの変数間の複雑な非線形相互作用をサポートします。
第 2 に、各コンテキスト仕様は、各変数が個別に考慮されるのではなく、ニューラル ネットワークによって全体としてまとめて考慮されます。
最後に、ニューラル ネットワークのパラメーターはすべての意思決定者間で共有されるため、他の意思決定者からの情報を活用して、特定のコンテキストが特定の意思決定者に与える影響を推測できます。
コンテキスト認識ベイジアン混合多項ロジット モデルでは、属性間の柔軟な相互作用が可能ですが、混合多項ロジット モデルと比較すると、計算の複雑さの増加はわずかです。
シミュレーション研究で提案されたモデルの概念と解釈を説明します。
さらに、8,555 人のサイクリストによる 119,448 回の移動を含む、クラウドソーシングによる大規模な GPS 軌跡のデータセットに基づく、移動行動ドメインからの実際のケーススタディ (自転車ルート選択モデル) を提示します。

要約(オリジナル)

The mixed multinomial logit model assumes constant preference parameters of a decision-maker throughout different choice situations, which may be considered too strong for certain choice modelling applications. This paper proposes an effective approach to model context-dependent intra-respondent heterogeneity, thereby introducing the concept of the Context-aware Bayesian mixed multinomial logit model, where a neural network maps contextual information to interpretable shifts in the preference parameters of each individual in each choice occasion. The proposed model offers several key advantages. First, it supports both continuous and discrete variables, as well as complex non-linear interactions between both types of variables. Secondly, each context specification is considered jointly as a whole by the neural network rather than each variable being considered independently. Finally, since the neural network parameters are shared across all decision-makers, it can leverage information from other decision-makers to infer the effect of a particular context on a particular decision-maker. Even though the context-aware Bayesian mixed multinomial logit model allows for flexible interactions between attributes, the increase in computational complexity is minor, compared to the mixed multinomial logit model. We illustrate the concept and interpretation of the proposed model in a simulation study. We furthermore present a real-world case study from the travel behaviour domain – a bicycle route choice model, based on a large-scale, crowdsourced dataset of GPS trajectories including 119,448 trips made by 8,555 cyclists.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google